20.500.12556/RUL-174663 Efficient Object Detection for Crop Monitoring in Precision Agriculture Učinkovita detekcija objektov za spremljanje pridelka v natančnem kmetijstvu This thesis presents an automated approach to designing energy-efficient neural network architecture for wheat head detection in precision agriculture. By leveraging neural architecture search (NAS) on the YOLOv8n model, we developed optimized architecture tailored for deployment on edge devices such as the NVIDIA Jetson Nano and Raspberry Pi with OAK-D. Our best model reduced computational complexity by 37.0% GFLOPs and the number of parameters by 61.3% with negligible drop in detection accuracy (mAP@50). Furthermore, it achieved 28.1% improvement in FPS and 18.5% improvement in energy efficiency on NVIDIA Jetson Nano with ONNX runtime. Using TensorRT FP16 runtime it achieved 18.78% improvement in FPS and 39.34% improvement in energy efficiency. To asses the generalizability of the NAS approach we perform another search on plant seelding dataset yielding to 15.2% faster model (ONNX) with only negligible drop of 1.45% in accuracy. V tej magistrski nalogi predstavljamo avtomatiziran pristop k zasnovi energetsko učinkovitih nevronskih arhitektur za detekcijo pšeničnih klasov v preciznem kmetijstvu. S pomočjo iskanja topologije nevronske mreže (angl. NAS) na modelu YOLOv8n smo razvili optimizirano arhitekturo, prilagojeno za izvajanje na robnih napravah, kot sta NVIDIA Jetson Nano in Raspberry Pi z OAK-D. Najboljši model je zmanjšal računsko zahtevnost za 37.0% GFLOPs in število parametrov za 61.3%, ob zanemarljivem padcu natančnosti. Poleg tega je na napravi NVIDIA Jetson Nano z okoljem ONNX runtime dosegel 28.1% večjo hitrost (FPS) in 18.5% boljšo energetsko učinkovitost na iteracijo. Z uporabo izvajalnega okolja TensorRT FP16 je dosegel za 18.78% večjo hitrost in 39.34% večjo energetsko učinkovitost. Da bi preverili generalizacijo pristopa NAS, smo izvedli še eno iskanje na podatkovni zbirki za detekcijo sadik, ki je prineslo 15.2% hitrejši model (ONNX) z zanemarljivim padcem 1.45% v natančnosti. neural networks precision agriculture object detection neural architecture search nevronske mreže precizno kmetijstvo detekcija objektov iskanje topologije nevronske mreže true false false Angleški jezik Slovenski jezik Magistrsko delo/naloga 2025-10-08 11:20:25 2025-10-08 11:20:28 2025-11-26 03:56:30 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37772 255394307 Kerec_Jasa_-_Ucinkovita_detekcija_objektov_za_spremljanje_pridelka_v_natancnem_kmetijstvu.pdf Kerec_Jasa_-_Ucinkovita_detekcija_objektov_za_spremljanje_pridelka_v_natancnem_kmetijstvu.pdf 1 AD585D9BF8B34489B6FAE1EB8E42A928 f844199d0ebf464a899cb58209891468aa5c4afdc7c84d149cbdad1e25ea22c7 cc2dbfca-a427-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=219521 Fakulteta za računalništvo in informatiko 0 0 0